1 / 96

Redes Neurais

Redes Neurais. Introdução. Uma introdução. Inhaúma Neves Ferraz Departamento de Ciência da Computação Universidade F ederal Fluminense ferraz@ic.uff.br. Sumário. Introdução. Introdução O elemento de Processamento Redes Neurais Artificiais Aprendizagem Tipos de Redes

fleta
Télécharger la présentation

Redes Neurais

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Redes Neurais Introdução Uma introdução Inhaúma Neves Ferraz Departamento de Ciência da Computação Universidade Federal Fluminense ferraz@ic.uff.br

  2. Sumário Introdução • Introdução • O elemento de Processamento • Redes Neurais Artificiais • Aprendizagem • Tipos de Redes • Descrição dos Tipos de Redes

  3. Redes Neurais • O que? • Para que? • Por que?

  4. O que são Redes Neurais? • Modelos do cérebro e do sistema nervoso • Alto grau de paralelização • Processamento de informação muito mais como e cérebro do que como um computador serial • Aprendizagem • Princípios muito simples • Comportamentos muito complexos • Aplicações • Poderosos solucionadores de problemas • Modelos biológicos

  5. Redes Neurais biológicas • Pombos como especialistas em arte (Watanabe et al. 1995) • Experimento: • Pombos em uma caixa de Skinner • São apresentadas pinturas de dois diferentes artistas (e.g. Chagall / Van Gogh) • Pombos recebem uma recompensa quando apresentados a um particular artista (p. e. Van Gogh) Exemplo retirado de Torsten Reil torsten.reil@zoo.ox.ac.uk

  6. Redes Neurais biológicas • Pombos foram capazes de discriminar entre Van Gogh e Chagall com acurácia de 95% (quando foram apresentados a pinturas com as quais haviam sido treinados) • Para pinturas dos mesmos artistas que ainda não haviam sido vistas pelos pombos a discriminação ficou em 85% • Pombos não memorizam simplesmente as pinturas • Eles podem extrair e reconhecer padrões (o ‘estilo’) • Eles generalizam a partir do que já viram para fazer predições • Nisto é que as Redes Neurais (biológicas ou artificiais) são boas (ao contrário dos computadores convencionais)

  7. Acurácia e precisão

  8. Para que? • Para resolver um problema no qual exista incerteza sobre um dado fenômeno • O usuário levanta informações que julga poder ajudar na solução do problema ou redução da incerteza

  9. Exemplo Atr. 1 Atr. 2 Atr. 3 Atr. 4 Atr. 5 71.943 46.163 15.195 18.600 2.359 73.097 46.789 15.413 18.600 2.363 72.513 50.634 15.936 19.000 2.358 77.277 52.615 16.107 19.200 2.356 81.325 54.349 18.507 20.800 2.346 82.457 53.759 20.661 21.300 2.348 81.627 50.253 20.302 19.300 2.372 81.851 41.394 20.257 19.500 2.371 80.807 40.650 19.834 22.100 2.323 80.368 41.439 19.318 22.400 2.305

  10. Interpretação da incerteza • Pode-se imaginar que cada atributo seja uma coordenada do ponto representativo da amostra, ou instância, em um hiper-espaço cuja dimensão é o número de atributos.

  11. Para que? • Classificação • Regressão • Análise de Agrupamentos

  12. Classificação e Regressão Introdução • Classificação é a atribuição de casos ou instâncias de dados a uma ou mais possíveis classes. Em Redes Neurais freqüentemente existe um elemento de processamento por classe. • Regressão é a estimativa do valor de uma variável baseada em exemplos. Aplicações

  13. Análise de Agrupamentos Introdução • O objetivo da Análise de Agrupamentos é agrupar objetos físicos ou abstratos em classes de objetos similares, chamados de agrupamentos (clusters). Aplicações

  14. Por que? • Porque há necessidade de uma metodologia para balizar as tentativas de obtenção de uma solução aproximada. • Existem outras metodologias: • Estatística • Lógica Fuzzy • Médias móveis • KNN • A metodologia de Redes Neurais é intelectualmente fascinante (e dá bons resultados).

  15. Taxonomia de Redes Neurais As Redes Neurais podem ser classificadas em: • Redes com pesos fixos • Redes Supervisionadas • Redes Não supervisionadas

  16. Redes Neurais com pesos fixos • Redes com pesos fixos são aquelas nas quais os pesos das sinapses (conexões entre elementos de processamento) são fixos e armazenados, tais como os chamados modelos de Hopfield

  17. Redes Neurais Supervisionadas • Redes Supervisionadas são aquelas nas quais os padrões de treinamento devem ser fornecidos em pares do tipo <Entrada, Saída correspondente>. • São supervisionados a maioria dos paradigmas de Redes Neurais usuais • Retro propagação • Base Radial • Modular • PNN • GRNN • Etc.

  18. Redes Neurais Não Supervisionadas • Redes Não Supervisionadas são aquelas nas quais os padrões de treinamento contém apenas a Entrada. • São Não Supervisionados os paradigmas de • ART • Kohonen • Contra propagação • Etc.

  19. Aplicação das Redes Neurais Não Supervisionadas • A aplicação característica das Redes neurais Não Supervisionadas é a Analise de Agrupamentos. • Pode-se dizer que as Redes Neurais fazem o mapeamento de

  20. Introdução Introdução • Definições • Regras • Modelos de neurônios • Aplicações

  21. Definição Introdução • Uma rede neural artificial é uma construção matemática simplificada inspirada no modelo biológico do sistema nervoso dos animais. Definições

  22. Neurônios Introdução • O principal componente do sistema nervoso dos animais é uma célula denominada neurônio, que funciona como um elemento de processamento ou processador • Seu aspecto esquemático é mostrado na figura que se segue Modelos de neurônios

  23. Neurônio Natural Introdução Sinapses Dendritos Axônio Núcleo da célula Sinapses Modelos de neurônios

  24. Neurônio Natural Introdução Modelos de neurônios

  25. Neurônios artificiais Introdução • Elemento de processamento (EP) ou unidade de processamento ou neurônio artificial é composto de uma função de entrada ou função somadora e de uma função de saída ou função de ativação ou função de patamar • Cada elemento de processamento pode receber um ou mais dados de entrada sendo cada um deles proveniente do meio ambiente ou de outro neurônio • Em uma unidade de tempo cada conexão só recebe um dado de entrada • Um elemento de processamento só tem uma saída • A saída pode ser direcionada, em paralelo, a diversos neurônios Modelos de neurônios

  26. O Elemento de Processamento O Elemento de processamento • Função de Base • Função de Ativação • Conexão entre neurônios Modelo

  27. Modelo de Elemento de Processamento Entrada x0 Pesos Elemento de processamento wj0 x1 wj1 Função de Base (Somadora) Função de Ativação Saída x2 wj2 yj wjn xn Modelo

  28. Conexões entre neurônios • As conexões entre neurônios são ponderadas • Uma conexão virtual especial chamada de conexão ou entrada de polarização serve para implementar o conceito de valor de patamar • Em um neurônio com n conexões de entrada o valor da entradas na sinapse de ordem i é xi • O valor da entrada de polarização é sempre x0=1 Modelo

  29. Função de Base Somadora • A função somadora pode ser apresentada como: Função Somadora

  30. Função de Ativação • Funções de ativação (de patamar ou funções de transferência) transformam números reais em números entre 0 e 1 ou entre +1 e -1 • Mapeiam o domínio da ativação do neurônio no domínio de saída • Funções usuais de patamar • linear • rampa • Degrau • Sigmóides • logística • tangente hiperbólica Função de Patamar

  31. Função de Ativação (cont.)

  32. Funções de Base Global • Funções de Base Global são definidas como funções da distancia do vetor de padrões a um hiperplano • Sua Base é global pois assumem valores em todo o domínio de definição do problema • A função a ser aproximada se torna uma combinação de sigmoidais, que sendo definidas em todo o espaço de medidas exigem muitas iterações até chegar a uma combinação adequada Funções de Base

  33. Funções de Base Local • Funções de Base Local são definidas na vizinhança de um elemento de processamento assumindo valores negligíveis fora da vizinhança desse elemento, podendo ser de dois tipos: • Baseadas em estimativa das funções de densidade de probabilidade • Baseadas em aproximação de funções iterativas Funções de Base

  34. Redes Neurais Artificiais Redes Neurais Artificiais • Conceito • Representação do Conhecimento e Centralização de Controle • Operações

  35. Rede Neural Artificial Redes Neurais Artificiais • Uma Rede Neural Artificial consiste de diversos elementos de processamento interconectados. Esses elementos usualmente são organizados em grupos denominados camadas. As Redes Neurais constituem-se em seqüências de camadas com conexões entre elas (completas ou aleatórias). Destacam-se duas camadas, de contato com o exterior: a camada de entrada de dados e a camada de saída. Todas as demais camadas porventura existentes são chamadas de camadas ocultas. Conceito

  36. Arquitetura das redes neurais Topologia • Camada única (perceptron) • Multicamadas (camadas ocultas) Tipo de aprendizado • Supervisionado • Não supervisionado Classificação dinâmica • Retroalimentação • Feed forward

  37. Redes neurais Camadas • Camada de entrada • Camadas ocultas • Camada de saída Função de base • Combinação das entradas Função de ativação • Saída Aprendizado

  38. Organização em camadas

  39. Organização em camadas Usualmente, as camadas são classificadas em três grupos: • Camada de entrada • Padrões são apresentados à rede • Camadas intermediárias ou escondidas • Concentram a maior parte do processamento através das conexões ponderadas • Podem ser consideradas como extratoras de características • Camada de saída • Onde o resultado final é concluído e apresentado

  40. Operação das Redes Neurais Redes Neurais Artificiais A operação das Redes Neurais compreende duas fases : • Aquisição do conhecimento ou treinamento ou aprendizagem • Recuperação Operações

  41. Aquisição de conhecimento Redes Neurais Artificiais • O treinamento consiste na adaptação ou modificação dos pesos das conexões em resposta a estímulos apresentados à camada de entrada e, opcionalmente, à camada de saída • Um estímulo apresentado à camada de saída corresponde à resposta desejada a um estímulo apresentado à camada de entrada • Quando isto acontece ocorre a aprendizagem supervisionada • Caso não seja fornecida nenhuma saída ocorre a aprendizagem não supervisionada Operações

  42. Recuperação Redes Neurais Artificiais • A recuperação ou utilização é a obtenção da resposta gerada pela Rede Neural, em sua camada de saída em reação a um estímulo apresentado à camada de entrada Operações

  43. Aprendizagem Aprendizagem • A Aprendizagem pode ser classificada em: • Aprendizagem Não supervisionada • Aprendizagem Supervisionada • Aprendizagem por Reforço

  44. Aprendizagem não supervisionada • Na presença apenas de estímulos de entrada a rede se organiza internamente • Cada EP responde de maneira mais intensa a um grupo diferente de estímulos • Estes grupos dos conjuntos de estímulos representam distintos conceitos do mundo real • Podem ser usados os seguintes tipos de aprendizagem: • Hebbian (devida a “Hebb”) • Hopfield • Aprendizagem Competitiva Aprendizagem não Supervisionada

More Related